คาร์พาธีชี้ ช่องว่างประสบการณ์ใช้ LLM กำลังถ่างกว้างขึ้น

ผู้คนส่วนใหญ่แทบไม่ได้ใช้โมเดลภาษาขนาดใหญ่ (LLM) ขณะที่ผู้ใช้เพียงบางกลุ่มซึ่งทำงานกับโมเดลล้ำสมัยอย่างเชี่ยวชาญ เริ่มเห็นเอเจนต์จัดการงานซับซ้อนที่เคยใช้เวลาหลายสัปดาห์หรือหลายเดือนได้ อันเดรย์ คาร์พาธี (Andrej Karpathy) กล่าวว่า ช่องว่างด้านประสบการณ์นี้กำลังขยายตัวในลักษณะคล้ายกรวยที่แคบลงอย่างรวดเร็ว

เมื่อวันที่ 11 (เวลาท้องถิ่น) คาร์พาธีโพสต์บน X โดยกล่าวถึงโพสต์ที่เผยแพร่ในเดือนเมษายนอีกครั้ง พร้อมแบ่งผู้ใช้ออกเป็น 4 ระดับ ChainCatcher รายงานคำกล่าวของเขาจากโพสต์ดังกล่าว ทั้งนี้ คาร์พาธีระบุว่าจำนวนผู้ใช้ที่ยกมานั้นเป็นเพียงการประเมินคร่าว ๆ ไม่ใช่ผลสำรวจ

ตามการประเมินของคาร์พาธี มีผู้คนราว 6 พันล้านคนที่แทบไม่เคยใช้ LLM หรือคิดเป็นประมาณ 75% ของประชากรโลก ส่วนผู้ที่ใช้ ChatGPT รุ่นฟรีหรือผลิตภัณฑ์คล้ายกันเป็นครั้งคราวมีราว 1,000–2,000 ล้านคน โดยหลายคนมอง LLM เป็นเครื่องมือค้นหาหรือช่วยเขียน

ระดับถัดมามีผู้ใช้ราว 20 ล้านคนที่ใช้โมเดลล้ำสมัยอย่างเชี่ยวชาญในงานคณิตศาสตร์และเขียนโค้ด คาร์พาธีกล่าวว่า ผู้ใช้กลุ่มนี้เห็นเอเจนต์ทำโครงการซับซ้อนผ่านคำสั่งที่ป้อนให้ระบบ ซึ่งในอดีตอาจต้องใช้เวลาหลายสัปดาห์หรือหลายเดือน ตัวอย่างเช่น การสร้างหรือทำสำเนาแอป การแปลแอป และการวิเคราะห์ย้อนกลับแอปจากไฟล์ไบนารี

คาร์พาธีเสริมว่า เมื่อไม่ถึงหนึ่งปีก่อน เขายังเขียนโค้ดทีละบรรทัดด้วยตนเอง สำหรับผู้ใช้ที่ทำงานกับโมเดลล้ำสมัยอย่างเชี่ยวชาญ การได้เห็นเอเจนต์รับช่วงทำงานจริงจึงเป็นประสบการณ์ที่ต่างจากการใช้งานทั่วไป

ระดับที่แคบที่สุดมีผู้คนราว 5,000 คน ซึ่งเข้าถึงระบบล้ำสมัยภายในองค์กรได้ คาร์พาธีกล่าวว่า ในตัวอย่างที่เปิดให้คนนอกดู ผู้ใช้จะเห็นเอเจนต์หลายพันตัวทำโครงการซอฟต์แวร์ขนาดใหญ่ต่อเนื่องหลายสัปดาห์ รวมถึงทำการค้นพบทางวิทยาศาสตร์และวิจัยคณิตศาสตร์

เขายังชี้ว่าความสามารถในการตรวจสอบและทำความเข้าใจของมนุษย์เริ่มตามไม่ทัน การวิเคราะห์เหตุการณ์ที่เกี่ยวข้องกับ OpenAI และ Hugging Face ยังคงดำเนินต่อไปแม้ผ่านไปหลายเดือน และนักคณิตศาสตร์อาจต้องใช้เวลานานในการตรวจสอบบทความคณิตศาสตร์ล้ำสมัย 722 ฉบับ

คาร์พาธีระบุว่าปัจจัยที่ทำให้ช่องว่างด้านประสบการณ์กว้างขึ้น ได้แก่ ขนาดและระยะเวลาของงาน ความแตกต่างด้านความสามารถระหว่างสาขา และระดับการเข้าถึงโมเดล คำถามที่ต้องการคำตอบสั้น ๆ อาจไม่ทดสอบความสามารถของระบบได้เต็มที่ ขณะที่งานขนาดใหญ่และใช้เวลานานเผยให้เห็นขอบเขตการใช้งานของเอเจนต์

เขากล่าวว่าความสามารถของโมเดลโดดเด่นในสาขาที่ตรวจสอบผลลัพธ์ในสภาพแวดล้อมดิจิทัลได้ง่ายและมีมูลค่าทางเศรษฐกิจสูง ความแตกต่างระหว่างการเข้าถึงผลิตภัณฑ์ฟรี ผลิตภัณฑ์แบบชำระเงิน และระบบภายในองค์กร ยังเป็นอีกปัจจัยที่ทำให้ประสบการณ์ของผู้ใช้ไม่เหมือนกัน

จำนวนผู้ใช้และสัดส่วนที่คาร์พาธียกมาทั้งหมดเป็นการประเมินของเขา การแบ่งระดับนี้สะท้อนว่า แม้ใช้ LLM เหมือนกัน ประสบการณ์ก็อาจต่างกันตามความถี่ในการใช้งาน สิทธิ์เข้าถึง และลักษณะของงานที่มอบหมายให้ระบบ